Zerstörungsfreie Qualitätsbewertung und Reifeklassifizierung von Wollmispeln basierend auf hyperspektraler Bildgebung

Aug 10, 2023

Scientific Reports Band 13, Artikelnummer: 13189 (2023) Diesen Artikel zitieren

140 Zugriffe

Details zu den Metriken

Die traditionelle Methode zur Beurteilung der Qualität und Reife von Wollmispeln hat Nachteile wie eine zerstörerische Probenahme und ist zeitaufwändig. In dieser Studie wurde hyperspektrale Bildgebungstechnologie verwendet, um die Farbe, Festigkeit und den löslichen Feststoffgehalt (SSC) von Wollmispeln zerstörungsfrei vorherzusagen und zu visualisieren und den Reifegrad zu unterscheiden. Beim Vergleich der Leistung verschiedener Methoden zur Auswahl von Merkmalsvariablen und der Kalibrierungsmodelle zeigten die Ergebnisse, dass die Modelle der multiplen linearen Regression (MLR) in Kombination mit dem kompetitiven adaptiven Neugewichtungsalgorithmus (CARS) die beste Vorhersageleistung für die Wollmispelqualität lieferten. Insbesondere wurden CARS-MLR-Modelle mit optimaler Vorhersageleistung für die Farbe (R2P = 0,96, RMSEP = 0,45, RPD = 5,38), Festigkeit (R2P = 0,87, RMSEP = 0,23, RPD = 2,81) und SSC (R2P = 0,84) erhalten , RMSEP = 0,51, RPD = 2,54). Anschließend wurden Verteilungskarten der Farbe, Festigkeit und SSC von Wollmispeln basierend auf den optimalen CARS-MLR-Modellen in Kombination mit Pseudofarbentechnologie erstellt. Schließlich zeigte beim Vergleich verschiedener Klassifizierungsmodelle für die Mispelreife das partielle Analysemodell der kleinsten Quadrate die beste Leistung mit Klassifizierungsgenauigkeiten von 98,19 % bzw. 97,99 % für Kalibrierungs- und Vorhersagesätze. Diese Studie zeigte, dass die hyperspektrale Bildgebungstechnik für die Qualitätsbewertung und Reifeklassifizierung von Wollmispeln vielversprechend ist.

Wollmispel (Eriobotrya japonica Lindl.) ist ein immergrüner Obstbaum aus der Familie der Rosengewächse, dessen Früchte seit mehr als 2000 Jahren in China als Medizin und Nahrungsmittel verwendet werden1. Es wird zur Reinigung des Rachenraums, zur Befeuchtung der Lunge, zur Linderung von Husten und zur Senkung des Schleims2 verwendet. Das Reifemuster von Wollmispeln ähnelt dem von klimakterischen Früchten. Wenn es sehr früh geerntet wird, hat es hartes Fruchtfleisch und einen milden Geschmack. Da Wollmispeln nach der Ernte einen aktiven physiologischen Stoffwechsel haben, sind sie anfällig für Wasser- und Nährstoffverlust und Fäulnis, wenn sie spät geerntet werden3,4. Die Fruchtqualität hat einen direkten Einfluss auf ihren kommerziellen Wert. Farbe, Festigkeit und löslicher Feststoffgehalt (SSC) sind wichtige Merkmale von Wollmispeln und wichtige Parameter zur Beurteilung ihres Geschmacks und ihrer Reife5. Daher ist die Erkennung von Nachernte-Mispeln von entscheidender Bedeutung.

Herkömmliche Bestimmungsmethoden haben jedoch den Nachteil der destruktiven Probenahme und sind für den Online-Nachweis nicht geeignet. In den letzten Jahren wurden Techniken der hyperspektralen Bildgebung (HSI), die zweidimensionale Bildinformationen mit eindimensionalen Spektralinformationen kombinieren, häufig zur Bewertung der Fruchtqualität und -reife eingesetzt. HSI wurde verwendet, um mehrere Indikatoren (SSC, Festigkeit usw.) von Früchten zu bestimmen, darunter Pflaumen6, Süßkirschen7, Birnen8, Pfirsiche9 und Melonen10. Umfangreiche Studien wurden durchgeführt, um die Qualität und Reife von Früchten vorherzusagen. Wei et al.11 verwendeten HSI, um die Reife zu klassifizieren und die Festigkeit von Kakis vorherzusagen. Munera et al.12 verwendeten den Index der inneren Qualität und Reife, um die inneren physikalisch-chemischen Eigenschaften und die sensorische Wahrnehmung von „Big Top“- und „Magique“-Nektarinen zu bewerten. Das Verhältnis der gesamten löslichen Feststoffe (TSS) zur titrierbaren Säure (TA) wurde als Ananas-Reifeindex verwendet, um die Auswirkungen der Transmissions-Kurzwellenlängen-Nahinfrarotspektroskopie und der Reflexions-Nahinfrarot-Hyperspektralbildgebung auf die Vorhersage der Ananasreife zu analysieren gleiches Verfahren bzw. Modell13. Benelli et al.14 untersuchten das Potenzial der Verwendung von HSI direkt auf dem Feld durch proximale Messungen unter natürlichen Lichtbedingungen, um den Erntezeitpunkt der roten Traube „Sangiovese“ vorherzusagen. Sie teilten Traubenproben in zwei Klassen ein, basierend auf dem Referenzwert von SSC und etablierten Modellen zur Vorhersage von SSC bzw. zur Erkennung der Reifestadien. Zhang et al.15 kombinierten HSI mit einer Support Vector Machine (SVM), um die Erdbeerreife zu bewerten. Die Ergebnisse zeigten, dass das SVM-Modell mit einer Klassifizierungsgenauigkeit von über 85 % die beste Leistung erbrachte.

Darüber hinaus wurde der Visualisierung der Qualität von Früchten große Aufmerksamkeit gewidmet. Teerachaichayut et al.16 verwendeten HSI zur zerstörungsfreien Erkennung und visuellen Analyse von TSS und TA und berechneten TSS/TA als Maß für den Reifeindex in intakten Kalken. Die prädiktiven Verteilungskarten von TSS, TA und TSS/TA wurden durch Eingabe der Merkmalsbänder jedes Pixels in optimale Modelle erstellt. Li et al.17 realisierten die Visualisierung von SSC und pH anhand einer Farbskala in Kirschfrüchten. Chu et al.18 erstellten die Visualisierungskarten für Bananenqualitätsparameter mithilfe eines Algorithmus für maschinelles Lernen. Die Ergebnisse zeigten, dass die hyperspektrale Bildgebung ein nützliches Instrument zur Beurteilung der Qualität von Bananen ist. Darüber hinaus ist es aufgrund der Komplexität der Verarbeitung hyperspektraler Daten und der inhärenten Einschränkungen der Computerhardwarefunktionen wichtig, Merkmalswellenlängen auszuwählen, anstatt volle Wellenlängen zu verwenden, um eine ähnliche Präzision im Vorgang zu erreichen. Zhang et al.19 erstellten ein partielles Regressionsmodell der kleinsten Quadrate (PLSR) zur Vorhersage des Koffeingehalts von Kaffeebohnen basierend auf Vollwellenlängen bzw. Merkmalswellenlängen unter Verwendung von HSI. Die Gesamtergebnisse zeigten, dass, ähnlich wie PLSR-Modelle, die auf Vollwellenlängen basieren, alle PLSR-Modelle, die auf Merkmalswellenlängen basieren, eine robuste Leistung zeigten. Li et al.20 entwickelten schnelle und zerstörungsfreie Modelle zur Erkennung des Anthocyangehalts in Maulbeerfrüchten mithilfe von HSI, die sowohl auf vollständigen Bändern als auch auf Merkmalsvariablen basieren. Die Ergebnisse zeigten, dass die auf Merkmalsvariablen basierenden Modelle im Vergleich zu Modellen mit vollständigen Bändern eine bessere Leistung zeigten. Sharma et al.21 verwendeten HSI, um die Reifestadien zu klassifizieren und den Trockenmassegehalt von Durian-Fruchtfleisch vorherzusagen. Es wurde ein Vergleich zwischen den Modellen unter Verwendung von Vollwellenlängen und Merkmalswellenlängen durchgeführt. Die Ergebnisse zeigten, dass das auf Vollwellenlängen basierende Modell bei der Reifeklassifizierung eine mit dem auf Merkmalswellenlängen basierenden Modell vergleichbare Leistung zeigte, während das auf Merkmalswellenlängen basierende Modell bessere Ergebnisse bei der Vorhersage der Trockenmasse erzielte. Die meisten der oben genannten Studien haben die Machbarkeit der Vorhersage der Fruchtqualität und der Reifeklassifizierung mithilfe der hyperspektralen Bildgebung bestätigt, und es ist von entscheidender Bedeutung, Merkmalsvariablen für die Modellierung während der Datenverarbeitung auszuwählen. Dennoch gibt es nur wenige Forschungsergebnisse über den Nutzen der HSI-Technologie zur Vorhersage und Visualisierung der Farbe, Festigkeit und des SSC von Wollmispeln sowie zur Unterscheidung der Reife.

Ziel dieser Studie war es, die Machbarkeit der Bestimmung und Visualisierung der Farbe, Festigkeit und des SSC von Wollmispeln sowie die Unterscheidung der Reife auf der Grundlage des HSI zu untersuchen. Die spezifischen Ziele dieser Studie bestanden darin, (1) die Leistung verschiedener Methoden zur Auswahl von Merkmalsvariablen zu vergleichen, einschließlich des kompetitiven adaptiven Neugewichtungsalgorithmus (CARS), des genetischen Algorithmus (GA) und des sukzessiven Projektionsalgorithmus (SPA); (2) Kalibrierungsmodelle zur Vorhersage der Qualität erstellen und vergleichen, einschließlich PLSR, Hauptkomponentenregression (PCR), multiple lineare Regression (MLR), Extreme Learning Machine (ELM) und Backpropagation Neural Network (BP); (3) die räumliche Verteilung dieser Qualitätsparameter in Wollmispeln visualisieren; und (4) Entwicklung von Erkennungsmodellen zur Unterscheidung der Reife, einschließlich partieller Diskriminierungsanalyse der kleinsten Quadrate (PLS-DA), vereinfachter K-Nearest-Neighbor-Modelle (SKNN) und SVM-Modellen.

Am 7. Juni 2022 wurden in den kommerziellen Obstplantagen (Loquat Green Planting Demonstration Garden of Kaiyang County) in der Provinz Guizhou, China, insgesamt 649 Wollmispeln (Querdurchmesser: 35–55 mm) ohne Druckstellen geerntet. was damals erforderlich war, und holte die Erlaubnis des Eigentümers ein. Die Auswahl der Wollmispeln wurde von erfahrenen örtlichen Züchtern anhand der visuellen Beobachtung der äußeren Farbe, die von dunkelgrün bis dunkelorange reichte, geleitet. Die Proben wurden noch am Tag der Probenahme bei einer Temperatur von 23 ± 2 °C ins Labor transportiert. Vor dem Versuch wurden die Mispelflächen abgewischt und nummeriert. Alle Methoden wurden in Übereinstimmung mit den relevanten Richtlinien und Gesetzen durchgeführt.

Deng et al.22 fanden eine signifikante oder hochsignifikante Korrelation zwischen dem Farb-a*-Wert und der Wollmispelqualität. Auf dieser Grundlage wurden die 649 Proben anhand des Farb-a*-Werts in drei Reifestufen (Stufe I: 177, Stufe II: 331 und Stufe III: 141) eingeteilt. Stufe I umfasste Farb-a*-Werte unter 8,33, Stufe II umfasste Farb-a*-Werte zwischen 8,33 und 15,41 und Stufe III umfasste Farb-a*-Werte über 15,41. Die Bilder der drei Reifestadien sind in Abb. 1 dargestellt.

Bilder von Wollmispeln im Reifestadium I (a), im Reifestadium II (b) und im Reifestadium III (c).

Um eine angemessene Variabilität zu erzeugen und den Vorhersagebereich für Farbe, Festigkeit und SSC zu erweitern, wurden die Proben zum Experimentieren in vier Gruppen eingeteilt. Von diesen Proben wurden 140 zur Vorhersage der Wollmispelfarbe verwendet (Stadium I: 47, Stadium II: 63 und Stadium III: 30), ein weiterer Satz von 140 zur Vorhersage der Wollmispelfestigkeit (Stadium I: 45, Stadium II: 53 und Stadium III: 42) und 120 für die Vorhersage des Wollmispel-SSC (Stadium I: 25, Stadium II: 65 und Stadium III: 30). Die verbleibenden 249 Proben wurden zur Klassifizierung der Mispelreife verwendet (Stadium I: 60, Stadium II: 150 und Stadium III: 39).

Hyperspektrale Bilder von Wollmispelproben wurden mit einem hyperspektralen Bildgebungssystem (GaiaFieldF-V10, Jiangsu Dualix Spectral Imaging Technology Co., Ltd) aufgenommen. Ein Schema des Systems ist in Abb. 2 dargestellt. Es umfasste hauptsächlich einen hyperspektralen Bildspektrographen (Imspector V10, Spectral Imaging Ltd., Oulu, Finnland), eine CCD-Kamera (Imperx IPX-2 M30, Pixel: 696 × 1313) und einen Zoom Objektiv (HSIA-OL23, Brennweite: 23 mm), vier 200-W-Halogenlichtquellen (HSIA-LS-T-200 W), Transportplatte, Dunkelkammer (HSIA-T400-IMS) und Computer mit Bildaufnahmesoftware. Der Abstand von der Probe zum Objektiv betrug 400 mm und die Belichtungszeit der Spektralkamera betrug 12,6 ms. Die spektrale Auflösung betrug 3,5 nm und die räumliche Auflösung 0,2 mm/Pixel. Der Spektrograph erhielt Spektralbilder über einen Wellenlängenbereich von 390 bis 1030 nm mit 256 Spektralbändern.

Schematische Darstellung des hyperspektralen Bilderfassungssystems.

Bei der Aufnahme hyperspektraler Bilder wurden jedes Mal vier Wollmispeln entsprechend ihrer Anzahl regelmäßig auf dem Probentisch über der Verdrängungsplattform platziert23. Um die Auswirkungen von Rauschen und Dunkelstrom in der CCD-Kamera zu eliminieren, wurden die aufgenommenen Originalbilder zur Korrektur der Schwarzweißbilder verwendet. Die Korrektur wurde basierend auf Gl. durchgeführt. (1). Nachdem die Hyperspektralbilder korrigiert wurden, wurden die Spektraldaten aus dem gesamten Probenbereich der Wollmispel mithilfe von ENVI 5.4 (ITT Visual Information Solutions, Boulder, CO) extrahiert.

Dabei ist I das kalibrierte Bild, I0 das Originalbild, B das dunkle Referenzbild und W das weiße Referenzbild.

Nach der hyperspektralen Bildaufnahme wurden mit konventionellen destruktiven Methoden die Referenzwerte für Farbe, Festigkeit und SSC der Wollmispeln gemessen. Zur Bestimmung der Farbe wurde ein Spektrophotometer (Ci7800) verwendet, um die Farbparameter (L*-, a*- und b*-Werte) zu messen, die anhand des auf der Grundlage von Gleichung (1) berechneten Farb-e-Werts bewertet wurden. (2)24. Die Formel betont den Farbkontrast in a*- und b*-Richtung und ermöglicht so einen effektiveren Vergleich der Farbeigenschaften verschiedener Wollmispeln.

Die Festigkeit wurde mit einem Texturanalysator (TA.XT.plus) mit einer zylindrischen Einstichsonde von 2 mm bei einer Prüfgeschwindigkeit von 3 mm/s gemessen. Die Messung erforderte das Schälen der Wollmispel rund um den Äquator.

Die Messungen des SSC wurden mit einem digitalen Refraktometer (PAL-α) im Bereich 0–85 % durchgeführt.

Um die Genauigkeit und Stabilität des Modells zu verbessern, zielt die spektrale Vorverarbeitung darauf ab, Instrumentenrauschen, Streuung und Basislinienverschiebungen zu eliminieren. Zur Vorverarbeitung der Originalspektren wurde die Standardnormalvariation (SNV) verwendet. Es kann die Auswirkungen von Oberflächenstreuung und Lichtpfadänderungen auf diffuse Reflexion25 reduzieren.

Darüber hinaus zeichneten sich die hyperspektralen Daten durch Redundanz und Multikollinearität aus. Um die Anzahl der Modellierungsberechnungen zu reduzieren und die Betriebseffizienz des Modells zu verbessern, wurden CARS, GA und SPA zur Auswahl der Merkmalsvariablen angewendet. Variable Punkte mit großen Absolutwerten der Regressionskoeffizienten im von CARS erstellten PLSR-Modell werden als neuer Korrektursatz ausgewählt, und der Teilsatz mit dem kleinsten quadratischen Mittelwertfehler wurde nach mehreren Zyklen erhalten26. Der GA simuliert die Mechanismen der natürlichen Selektion und Genetik und führt iterativ Operationen durch, um eine Teilmenge von Variablen zu generieren27. Im Gegensatz zu GA handelt es sich bei SPA um eine Vorwärtsauswahlmethode für Merkmalsvariablen, die die Kollinearität zwischen Merkmalsvektoren minimiert28.

Zwei häufig verwendete Werkzeuge für die multivariate Datenanalyse, PLSR- und PCR-Modelle, wurden durch die Kombination chemischer Konzentrations- bzw. vorverarbeiteter Daten entwickelt29. Anschließend wurden drei Merkmalsvariablenmodelle, nämlich MLR-, BP- und ELM-Modelle, basierend auf den ausgewählten Merkmalsvariablen erstellt. MLR wird verwendet, um die Beziehung zwischen Spektraldaten und Massenparametern mithilfe einer linearen Anpassungsgleichung30 zu charakterisieren. BP, eines der typischsten mehrschichtigen Vorwärtsnetzwerke, ist eine lokale Optimierungsmethode, die auf dem Gradientenabstieg31 basiert. ELM ist ein hocheffizientes Feed-Forward-Neuronales Netzwerk mit einer versteckten Schicht, das nichtlineare Beziehungen zwischen Eingabe- und Ausgabewerten abbilden kann32.

Um die Leistung der Vorhersagemodelle zu bewerten, werden der Bestimmungskoeffizient des Kalibrierungssatzes (R2C), der quadratische Mittelwert des Kalibrierungssatzes (RMSEC), der Bestimmungskoeffizient des Vorhersagesatzes (R2P) und der quadratische Mittelwertfehler der Vorhersage verwendet (RMSEP) und die verbleibende prädiktive Abweichung (RPD) wurden berechnet. Im Allgemeinen weist ein Modell mit guter Leistung höhere Werte für R2C, R2P und RPD und niedrigere Werte für RMSEC und RMSEP auf. Das Modell schneidet schlecht ab, wenn der RPD unter 1,5 liegt, während ein RPD zwischen 1,5 und 1,99 darauf hinweist, dass das Modell mäßig gut abschneidet. Ein RPD zwischen 2 und 2,5 zeigt an, dass das Modell eine gute Leistung erbringt, und das Modell schneidet ausgezeichnet ab, wenn der RPD höher als 2,533 ist.

wobei nc und np die Anzahl der Proben in den Kalibrierungs- und Vorhersagesätzen bezeichnen; yact und ymean bezeichnen die gemessenen und gemittelten Werte; ycal und ypre bezeichnen die vorhergesagten Werte in den Kalibrierungs- bzw. Vorhersagesätzen; und SD bezeichnet die Standardabweichung der Messwerte im Vorhersagesatz.

Die ursprünglichen und vorverarbeiteten (SNV) Spektralkurven sind in Abb. 3 dargestellt. Die Spektren der Mispelproben zeigten die gleiche Tendenz, jedoch mit unterschiedlichen Reflexionsintensitäten. Die vorverarbeiteten Kurven (Abb. 3b) waren im Allgemeinen glatter als die ursprünglichen Spektralkurven (Abb. 3a), was auf einen signifikanten Vorbehandlungseffekt hinweist. Es trat ein deutlicher Absorptionspeak bei 675 nm auf, der mit der Absorption von Chlorophyll34 korrelierte. Der offensichtlichere Absorptionspeak bei etwa 980 nm kann der chemischen O-H-Bindung zugeschrieben werden, die mit Wasser zusammenhängt35.

(a) Reflexionskurven der Rohspektren; (b) vorbehandelte Spektren von Wollmispelproben.

Abbildung 4 zeigt den Farb-E-Wert, die Festigkeit und den SSC von Wollmispelproben in drei Reifestadien; Die Daten werden als Mittelwert ± SD angezeigt. Es gibt einen steigenden Trend für den Farb-E-Wert und den SSC von Wollmispeln und einen sinkenden Trend für die Festigkeit mit zunehmendem Reifegrad.

(a) Farb- und Farbwert von Wollmispelproben in verschiedenen Reifestadien; (b) Festigkeit von Wollmispelproben in verschiedenen Reifestadien; (c) SSC von Wollmispelproben in verschiedenen Reifestadien.

Der SPXY-Algorithmus36 wurde verwendet, um alle Proben in Kalibrierungs- und Vorhersagesätze zu unterteilen. Das Verhältnis des Kalibrierungssatzes zum Vorhersagesatz betrug 3:1. Tabelle 1 zeigt die Statistiken der Kalibrierungs- und Vorhersagesätze für Farb-E-Wert, Festigkeit und SSC. Der Wertebereich des Kalibrierungssatzes war breiter als der des Vorhersagesatzes, was darauf hinwies, dass die Ergebnisse für die Kalibrierungs- und Vorhersagesätze angemessen und die ausgewählten Modellierungsstichproben hoch repräsentativ waren.

PLSR- und PCR-Modelle wurden erstellt, um die Parameter der Wollmispelqualität anhand von mit SNV vorverarbeiteten Spektren zu bewerten. Die Vorhersageergebnisse für die PLSR- und PCR-Modelle sind in Tabelle 2 aufgeführt.

Die Vorhersageleistungen der PLSR-Modelle für den Farb-e-Wert (R2P = 0,96, RMSEP = 0,49, RPD = 4,97), die Festigkeit (R2P = 0,82, RMSEP = 0,27, RPD = 2,39) und SSC (R2P = 0,72, RMSEP = 0,67). , RPD = 1,92) waren besser als die der PCR-Modelle. Dies kann daran liegen, dass die PLSR-Methode den Vorteil hat, beide Matrizen x (Spektralmatrix) und y (Konzentrationsmatrix) zu berücksichtigen.

Beim Extrahieren der Merkmalsvariablen mithilfe von CARS wurde die Anzahl der Monte-Carlo-Stichprobenläufe auf 50 und die Kreuzvalidierung der Gruppenmenge auf fünf festgelegt. Die optimalen Merkmalsvariablen wurden basierend auf dem minimalen RMSECV ausgewählt, der den Stichprobenläufen bei 27, 23 und 28 für Farb-e-Wert, Festigkeit bzw. SSC entsprach. Die ausgewählten Variablen waren 20, 29 und 18 für den Farb-E-Wert, die Festigkeit und den SSC von Wollmispeln. Tabelle 3 zeigt die von CARS ausgewählten detaillierten Variablen.

Der GA verfügt über eine starke globale Optimierungsfähigkeit. Beim Extrahieren der Merkmalsvariablen mithilfe der GA wurden die Populationsgröße, die Crossover-Wahrscheinlichkeit, die Mutationswahrscheinlichkeit und die Anzahl der Iterationen auf 30, 0,5, 0,01 bzw. 100 festgelegt. Die optimale Variablenkombination mit dem minimalen RMSECV wurde als Schlüsselvariable zur Bestimmung der Parameter in der Wollmispel angesehen. Die Anzahl der entsprechenden Merkmalsvariablen, die mit dem minimalen RMSECV festgelegt wurden, betrug 29, 22 bzw. 23 für den Farb-E-Wert, die Festigkeit und den SSC bei Wollmispeln. Tabelle 3 listet die von der GA ausgewählten Variablen auf.

Für SPA wurde die Anzahl der Variablen basierend auf dem minimalen quadratischen Mittelfehler (RMSE) ausgewählt. Erstens nimmt der RMSE aufgrund der Eliminierung unwichtiger redundanter Variablen schnell ab. Wenn der redundante Informationsvariablensatz der Spektralinformationen minimal war, betrug die Anzahl der entsprechenden Merkmalsvariablensätze 3, 27 bzw. 16 für Farb-E-Wert, Festigkeit und SSC in der Wollmispel. Tabelle 3 zeigt die vom SPA ausgewählten detaillierten Variablen.

Basierend auf diesen Merkmalsvariablen wurden die MLR-, ELM- und BP-Modelle zur Vorhersage der Wollmispelqualität erstellt. Die Leistungen der Modelle sind in Tabelle 4 aufgeführt.

Wie in Tabelle 4 dargestellt, war CARS hinsichtlich des Farb-e-Werts dem GA bei der Einstellung der richtigen Parameter überlegen. Die Modelle, die auf der Grundlage der von SPA extrahierten Merkmalsvariablen erstellt wurden, zeigten die schlechteste Leistung, wobei R2C niedriger als R2P war, was möglicherweise auf eine unzureichende Anpassung zurückzuführen ist. Die Anzahl der mithilfe von CARS ausgewählten Merkmalsvariablen betrug 20, was 7,81 % des gesamten Spektrums entsprach. Im Vergleich zu anderen Modellen, die auf der Grundlage der von CARS ausgewählten Merkmalsvariablen erstellt wurden, erzielte das auf den von CARS extrahierten Merkmalsvariablen erstellte MLR-Modell eine höhere RPD und niedrigere RMSEC und RMSEP. Im Vergleich zu den in Tabelle 2 gezeigten Modellen, die auf vollen Wellenlängen basieren, wurde die Vorhersagegenauigkeit von MLR-, ELM- und BP-Modellen, die auf von CARS und GA ausgewählten Merkmalsvariablen basieren, verbessert. Insbesondere das CARS-MLR-Modell erzielte die beste Leistung (R2C = 0,97, RMSEC = 0,39, R2P = 0,96, RMSEP = 0,45 und RPD = 5,38) bei der Vorhersage des Farb-e-Werts.

Was die Festigkeit betrifft, schien CARS hinsichtlich der Festlegung geeigneter Parameter SPA und GA überlegen zu sein. Die Anzahl der von CARS ausgewählten Merkmalsvariablen betrug 29, was 11,33 % des Gesamtspektrums entspricht. Im Vergleich zu anderen Modellen, die auf der Grundlage der von CARS ausgewählten Merkmalsvariablen erstellt wurden, erzielte das auf den von CARS extrahierten Merkmalsvariablen erstellte MLR-Modell höhere R2C-, R2P- und RPD-Werte sowie niedrigere RMSEC- und RMSEP-Werte. Im Vergleich zu den in Tabelle 2 gezeigten Modellen, die auf vollen Wellenlängen basieren, wurde die Vorhersagegenauigkeit von MLR-, ELM- und BP-Modellen basierend auf den von CARS und SPA ausgewählten Merkmalsvariablen verbessert. Insbesondere das CARS-MLR-Modell erzielte die beste Leistung (R2C = 0,90, RMSEC = 0,26, R2P = 0,87, RMSEP = 0,23 und RPD = 2,81) bei der Vorhersage der Festigkeit.

Für SSC schien CARS aufgrund der richtigen Parameter dem GA überlegen zu sein. Die Genauigkeiten der Modelle SPA-ELM und SPA-BP waren geringer als die der Modelle CARS-ELM und CARS-BP. Das SPA-MLR-Modell zeigte die schlechteste Leistung von R2C unter R2P, was möglicherweise auf eine unzureichende Anpassung zurückzuführen ist. Die Anzahl der von CARS ausgewählten Merkmalsvariablen betrug 18, was 7,03 % des Gesamtspektrums entspricht. Im Vergleich zu anderen Modellen, die auf der Grundlage der von CARS ausgewählten Merkmalsvariablen erstellt wurden, erzielte das auf der Grundlage der von CARS extrahierten Merkmalsvariablen erstellte MLR-Modell höhere R2C-, R2P- und RPD-Werte sowie niedrigere RMSEC- und RMSEP-Werte. Im Vergleich zu den in Tabelle 2 gezeigten Modellen, die auf vollen Wellenlängen basieren, wurde die Vorhersagegenauigkeit von MLR-, ELM- und BP-Modellen, die auf von CARS ausgewählten Merkmalsvariablen basieren, verbessert. Insbesondere das CARS-MLR-Modell erzielte die beste Leistung (R2C = 0,88, RMSEC = 0,41, R2P = 0,84, RMSEP = 0,51 und RPD = 2,54) bei der Vorhersage von SSC.

MLR-Modelle unter Verwendung optimaler Merkmalsvariablen, die von CARS ausgewählt wurden, wurden erstellt, um die Qualität der Wollmispeln hinsichtlich Farb-E-Wert, Festigkeit und SSC vorherzusagen. Die Streudiagramme der tatsächlich gemessenen und vorhergesagten Werte sind in Abb. 5 dargestellt.

Streudiagramme der Modellierungsergebnisse des CARS-MLR-Modells: (a) Vorhersageergebnisse des Farb-e-Werts; (b) Vorhersageergebnisse der Festigkeit; (c) Vorhersageergebnisse von SSC.

Abbildung 5 zeigt, dass die Vorhersagefehler der drei Qualitätsparameter alle gering waren und die meisten Datenpunkte in der Nähe der Anpassungslinie verteilt waren, was darauf hinweist, dass das CARS-MLR-Modell die Wollmispelqualität (Farb-e-Wert, Festigkeit und SSC) vorhersagen kann ) sehr gut.

Die optimalen CARS-MLR-Vorhersagemodellformeln für Farb-e-Wert, Festigkeit und SSC von Wollmispeln lauten wie folgt:

Dabei stellen YFarb-e-Wert, YFirmness und YSSC die vorhergesagten Werte für Farb-e-Wert, Festigkeit bzw. SSC dar. λi bezeichnet den Reflexionsgrad bei der Merkmalswellenlänge, wobei der Index i die Wellenlänge (nm) angibt.

Ein Merkmal der HSI-Technik besteht darin, dass Informationen von jedem Pixel der Testprobe gesammelt werden können37. Die aus den Hyperspektralbildern extrahierten Informationen wurden verwendet, um Visualisierungsverteilungskarten der Referenzwerte (Farb-e-Wert, Festigkeit und SSC) zu erstellen, die eine Visualisierung der Unterschiede in den Referenzwerten zwischen den Proben ermöglichten38. Aufgrund der annähernd kugelförmigen Form der Wollmispeln können die Spektren verschiedener Pixel innerhalb derselben Fruchtregion erhebliche Unterschiede aufweisen, was möglicherweise zu schlechten Bildergebnissen führt. Eine spezielle Anwendung der Wollmispel-Fruchterkennung ist die Bewertung der gesamten Fruchtqualität, wobei der Schwerpunkt auf der Darstellung lokaler Merkmale liegt. Darauf aufbauend wird die Abweichung zwischen den Pixelwerten und dem mittleren Spektrum komprimiert und die Summe aus der komprimierten Abweichung und dem mittleren Spektrum als Eingangsgröße verwendet17. In dieser Studie wurden die optimalen CARS-MLR-Modelle verwendet, um den Qualitätsparameterinhalt jedes Pixels in Wollmispeln vorherzusagen39. Abbildung 6 zeigt die intuitive Verteilung von Farb-e-Wert, Festigkeit und SSC für die Proben 1, 2 bzw. 3. Die Proben 1, 2 und 3 entsprechen den Reifestadien I, II bzw. III.

Vorhersagekarten für Farb-E-Wert, Festigkeit und SSC in verschiedenen Wollmispelproben.

Wie in Abb. 6 dargestellt, stiegen der Farb-e-Wert und der SSC mit den verschiedenen Reifestadien allmählich an, während die Festigkeit mit den verschiedenen Reifestadien allmählich abnahm. Und es gab erhebliche visuelle Unterschiede zwischen den verschiedenen Proben. Daher ist die Verbreitungskarte nützlich für die Online-Überwachung der Wollmispelqualität.

Zur Klassifizierung der Mispelreife wurden insgesamt 249 Proben verwendet, davon 60 Proben im Stadium I, 150 im Stadium II und 39 im Stadium III. Der Kennard-Stone-Algorithmus wurde angewendet, um die Proben aus jeder Stufe im Verhältnis 2:1 in Kalibrierungs- und Vorhersagesätze aufzuteilen, was zu 166 bzw. 83 Proben in den Kalibrierungs- und Vorhersagesätzen führte. Zur Unterscheidung der Reifestadien von Wollmispeln wurden das PLS-DA-Modell, das vereinfachte K-Nest-Neighbor-Modell (SKNN) und das SVM-Modell angewendet. Die Diskriminierungsergebnisse sind in Tabelle 5 aufgeführt.

Wie in Tabelle 5 dargestellt, wies das PLS-DA-Modell im Kalibrierungssatz eine höhere Unterscheidungsgenauigkeit auf als die SKNN- und SVM-Modelle. Die drei Modelle hatten die gleiche Unterscheidungsgenauigkeit (97,59 %) für den Vorhersagesatz. Abbildung 7 zeigt die Verwirrungsmatrix des Vorhersagesatzes, in dem zwei Proben aus Stufe I in jedem der PLS-DA-, SKNN- und SVM-Modelle fälschlicherweise als Stufe II identifiziert wurden. Die Ergebnisse zeigten, dass das PLS-DA-Modell die beste Leistung bei der Unterscheidung der Wollmispelreife aufwies.

Verwirrungsmatrix des Vorhersagesatzes.

In dieser Studie wurde hyperspektrale Bildgebungstechnologie verwendet, um die Qualität von Wollmispeln zu erkennen und zu visualisieren und den Reifegrad zu unterscheiden. Die wichtigsten Ergebnisse dieser Studie sind wie folgt.

Hyperspektrale Bildgebung in Verbindung mit chemometrischen Algorithmen ist eine praktikable Methode zur Beurteilung der Wollmispelqualität. Beim Vergleich vollständiger Spektrenmodelle (PLSR und PCR) mit vereinfachten Modellen (MLR, ELM und BP-Netzwerk) basierend auf Merkmalsvariablen, die von drei Algorithmen zur Auswahl effektiver Variablen (CARS, GA und SPA) ausgewählt wurden, erhalten die CARS-MLR-Modelle die optimale Vorhersage Die Leistung wurde für den Farb-e-Wert (R2P = 0,96, RMSEP = 0,45, RPD = 5,38), die Festigkeit (R2P = 0,87, RMSEP = 0,23, RPD = 2,81) und den SSC (R2P = 0,84, RMSEP = 0,51, RPD = 2,54) ermittelt ), jeweils.

Das optimale Vorhersagemodell in Kombination mit der Pseudofarbentechnologie könnte die Qualitätsparameterverteilung von Wollmispeln visualisieren. Die Karten zeigen, dass die Verteilung der Qualitätsparameter im Wesentlichen der tatsächlichen Situation entsprach und der Gehalt an gleichen Qualitätsparametern zwischen den Wollmispelproben deutlich unterschied.

Hyperspektrale Bildgebung in Kombination mit Mustererkennung kann zur Beurteilung der Wollmispelreife eingesetzt werden. Beim Vergleich der drei Reifegradklassifizierungsmodelle (PLS-DA-, SKNN- und SVM-Modelle) zeigte das PLS-DA-Modell die beste Leistung mit Klassifizierungsgenauigkeiten von 98,19 % bzw. 97,99 % für Kalibrierungs- und Vorhersagesätze.

Diese Studie zeigt, dass hyperspektrale Bildgebungstechnologie verwendet werden kann, um die Qualität und Reife von Wollmispeln zerstörungsfrei und schnell zu bestimmen und so eine theoretische Grundlage für die Entwicklung von Instrumenten in der Zukunft zu liefern.

Die Daten, die die Ergebnisse dieser Studie stützen, sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Fu, X. et al. Bestimmung des löslichen Feststoffgehalts und des Säuregehalts von Wollmispeln anhand der FT-NIR-Spektroskopie. J. Zhejiang Univ. Wissenschaft. B. 10(2), 120–125 (2009).

Artikel CAS PubMed PubMed Central Google Scholar

Huang, X. et al. Vorhersage der löslichen Feststoffe der Wollmispel und des titrierbaren Säuregehalts unter Verwendung von Fruchtmineralelementen durch künstliches neuronales Netzwerk und multiple lineare Regression. Wissenschaft. Hortisch. 278, 109873 (2021).

Artikel CAS Google Scholar

Pinillos, V., Hueso, JJ, Marcon Filho, JL & Cuevas, J. Veränderungen der Fruchtreifeindizes während der Erntesaison bei „Algerie“-Mispeln. Wissenschaft. Hortisch. 129(4), 769–776 (2011).

Artikel Google Scholar

Besada, C. et al. Physiologische Charakterisierung der Reife von Algerienmispeln: Äußere Farbe als Erntereifeindex. III Int. Symp. Wollmispel. 887, 351–356 (2010).

Google Scholar

Cañete, ML, Hueso, JJ, Pinillos, V. & Cuevas, J. Der Reifegrad bei der Ernte beeinflusst die Anfälligkeit für Blutergüsse und die sensorischen Fruchtmerkmale der Wollmispel (Eriobotrya japonica Lindl.). Wissenschaft. Hortisch. Rev. 187, 102–107 (2015).

Artikel Google Scholar

Li, B. et al. Anwendung der hyperspektralen Bildgebung zur zerstörungsfreien Messung von Pflaumenqualitätsmerkmalen. Nachernte Biol. Technol. 141, 8–15 (2018).

Artikel Google Scholar

Pullanagari, RR & Li, M. Unsicherheitsbewertung für Festigkeit und lösliche Gesamtfeststoffe von Süßkirschen mittels hyperspektraler Bildgebung und multivariater Statistik. J. Food Eng. 289, 110177 (2021).

Artikel CAS Google Scholar

Fan, S., Huang, W., Guo, Z., Zhang, B. & Zhao, C. Vorhersage des Gehalts an löslichen Feststoffen und der Festigkeit von Birnen mithilfe der hyperspektralen Reflexionsbildgebung. Essen Anal. Methoden. 8(8), 1936–1946 (2015).

Artikel Google Scholar

Jang, K. et al. Feldanwendung eines Vis/NIR-Hyperspektralbildgebungssystems zur zerstörungsfreien Bewertung physikalisch-chemischer Eigenschaften in „Madoka“-Pfirsichen. Pflanzen 11(17), 2327 (2022).

Artikel PubMed PubMed Central Google Scholar

Sun, M., Zhang, D., Liu, L. & Wang, Z. Wie man den Zuckergehalt und die Härte von Melonen vorhersagt: Eine hyperspektrale Bildgebungsmethode im nahen Infrarot. Lebensmittelchem. 218, 413–421 (2017).

Artikel CAS PubMed Google Scholar

Wei, Lebensmittel-Bioprozess. Technik. 7(5), 1371–1380 (2014).

Artikel Google Scholar

Munera, S. et al. Reifeüberwachung von zwei Nektarinensorten mittels hyperspektraler VIS-NIR-Reflexionsbildgebung. J. Food Eng. 214, 29–39 (2017).

Artikel Google Scholar

Tantinantrakun, A., Sukwanit, S., Thompson, AK & Teerachaichayut, S. Zerstörungsfreie Auswertung von SW-NIRS und NIR-HSI zur Vorhersage des Reifeindex intakter Ananas. Nachernte Biol. Technol. 195, 112141 (2023).

Artikel CAS Google Scholar

Benelli, A., Cevoli, C., Ragni, L. & Fabbri, A. Vor-Ort- und zerstörungsfreie Überwachung der Traubenreife durch hyperspektrale Bildgebung. Biosystem. Ing. 207, 59–67 (2021).

Artikel CAS Google Scholar

Zhang, C. et al. Hyperspektrale Bildanalyse zur Reifebewertung von Erdbeeren mit Support-Vektor-Maschine. J. Food Eng. 179, 11–18 (2016).

Artikel ADS Google Scholar

Teerachaichayut, S. & Ho, HT Zerstörungsfreie Vorhersage der gesamten löslichen Feststoffe, des titrierbaren Säuregehalts und des Reifeindex von Limetten durch hyperspektrale Nahinfrarotbildgebung. Nachernte Biol. Technol. 133, 20–25 (2017).

Artikel CAS Google Scholar

Li, X. et al. SSC und pH-Wert zur Beurteilung der Süße und Reifeklassifizierung geernteter Kirschfrüchte basierend auf der hyperspektralen NIR-Bildgebungstechnologie. Nachernte Biol. Technol. 143, 112–118 (2018).

Artikel CAS Google Scholar

Chu, X. et al. Reifeklassifizierung und Qualitätsbewertung grüner Bananen mittels hyperspektraler Bildgebung. Landwirtschaft 12(4), 530 (2022).

Artikel CAS Google Scholar

Zhang, C., Jiang, H., Liu, F. & He, Y. Anwendung der hyperspektralen Nahinfrarot-Bildgebung mit variablen Auswahlmethoden zur Bestimmung und Visualisierung des Koffeingehalts von Kaffeebohnen. Lebensmittel-Bioprozess. Technik. 10, 213–221 (2017).

Artikel CAS Google Scholar

Li, X., Wei, Z., Peng, F., Liu, J. & Han, G. Zerstörungsfreie Vorhersage und Visualisierung des Anthocyangehalts in Maulbeerfrüchten mittels hyperspektraler Bildgebung. Vorderseite. Pflanzenwissenschaft. 14, 1137198 (2023).

Artikel PubMed PubMed Central Google Scholar

Sharma, S., Sumesh, KC & Sirisomboon, P. Schnelle Klassifizierung des Reifestadiums und Vorhersage der Trockenmasse von Durian-Fruchtfleisch mithilfe eines Pushbroom-Nahinfrarot-Hyperspektralbildgebungssystems. Messung 189, 110464 (2022).

Artikel Google Scholar

Deng, CJ et al. Zusammenhang zwischen Farbe und dem Gehalt an Zucker und Säure bei verschiedenen Reifegraden der Wollmispel-Sorte Guifei. Kinn. J. Trop. Ernten. 37(09), 1747–1751 (2016).

Google Scholar

Xie, C., Shao, Y., Li, X. & He, Y. Erkennung von Krankheiten der Früh- und Spätfäule auf Tomatenblättern mittels hyperspektraler Bildgebung. Wissenschaft. Rep. 5(1), 1–11 (2015).

Artikel Google Scholar

Olmo, M., Nadas, A. & García, JM Zerstörungsfreie Methoden zur Bewertung des Reifegrads von Orangen. J. Lebensmittelwissenschaft. 65(2), 365–369 (2000).

Artikel CAS Google Scholar

Dong, J. & Guo, W. Zerstörungsfreie Bestimmung der inneren Eigenschaften von Äpfeln mithilfe der hyperspektralen Reflexionsbildgebung im nahen Infrarot. Essen Anal. Methoden 8(10), 2635–2646 (2015).

Artikel Google Scholar

Zhou, Y. et al. Frühwarnung und diagnostische Visualisierung von mit Sclerotinia infizierten Tomaten basierend auf hyperspektraler Bildgebung. Wissenschaft. Rep. 12(1), 1–13 (2022).

Artikel MathSciNet Google Scholar

Su, WH & Sun, DW Vergleichende Bewertung der Eignung von Merkmalswellenlängen zur Messung der Wasserbindungskapazität und des spezifischen Gewichts von Knollen unter Verwendung verschiedener Spektralindizes aus hyperspektralen Bildern. Berechnen. Elektron. Landwirtschaft. 130, 69–82 (2016).

Artikel Google Scholar

Li, XL, Sun, CJ, Luo, LB & He, Y. Zerstörungsfreier Nachweis von Blei-Chrom-Grün in Tee durch Raman-Spektroskopie. Wissenschaft. Rep. 5(1), 1–9 (2015).

Google Scholar

Asante, EA, Du, Z., Lu, Y. & Hu, Y. Erkennung und Bewertung des Stickstoffeffekts auf die Kältetoleranz von Tee durch hyperspektrale Reflexion mit PLSR-, PCR- und LM-Modellen. Inf. Verfahren. Landwirtschaft. 8(1), 96–104 (2021).

Google Scholar

Wu, D. & Sun, DW Fortgeschrittene Anwendungen der hyperspektralen Bildgebungstechnologie für die Analyse und Bewertung der Lebensmittelqualität und -sicherheit: Ein Überblick – Teil I: Grundlagen. Innov. Lebensmittelwissenschaft. Emerg. Technol. 19, 1–14 (2013).

Artikel Google Scholar

Yang, YC, Sun, DW & Wang, NN Schnelle Erkennung des Bräunungsgrades von Litschi-Perikarps in Abhängigkeit vom Feuchtigkeitsgehalt mithilfe hyperspektraler Bildgebung. Berechnen. Elektron. Landwirtschaft. 113, 203–212 (2015).

Artikel Google Scholar

Ding, S., Zhao, H., Zhang, Y., Xu, X. & Nie, R. Extreme Lernmaschine: Algorithmus, Theorie und Anwendungen. Artif. Intel. Rev. 44(1), 103–115 (2015).

Artikel Google Scholar

Askari, MS, Cui, J., O'Rourke, SM & Holden, NM Bewertung der Bodenstrukturqualität mithilfe von VIS-NIR-Spektren. Bodenbearbeitung Res. 146, 108–117 (2015).

Artikel Google Scholar

Munera, S. et al. Unterscheidung häufiger Defekte bei Mispelfrucht-Cv'Algerie' unter Verwendung hyperspektraler Bildgebung und maschineller Lerntechniken. Nachernte Biol. Technol. 171, 111356 (2021).

Artikel Google Scholar

Camps, C. & Christen, D. Zerstörungsfreie Bewertung der Aprikosenfruchtqualität durch tragbare Spektroskopie im sichtbaren Nahinfrarotbereich. LWT. 42(6), 1125–1131 (2009).

Artikel CAS Google Scholar

Zhao, YR, Li, X., Yu, KQ, Cheng, F. & He, Y. Hyperspektrale Bildgebung zur Bestimmung des Pigmentgehalts in Gurkenblättern als Reaktion auf die eckige Blattfleckenkrankheit. Wissenschaft. Rep. 6(1), 1–9 (2016).

Google Scholar

Kong, W., Liu, F., Zhang, C., Zhang, J. & Feng, H. Zerstörungsfreie Bestimmung der Malondialdehyd (MDA)-Verteilung in Rapsblättern durch hyperspektrale NIR-Bildgebung im Labormaßstab. Wissenschaft. Rep. 6(1), 1–8 (2016).

Artikel Google Scholar

Wang, B., He, J., Zhang, S. & Li, L. Zerstörungsfreie Vorhersage und Visualisierung des gesamten Flavonoidgehalts in Cerasus Humilis-Früchten während der Lagerzeit basierend auf hyperspektraler Bildgebungstechnik. J. Food Process Eng. 44(10), e13807 (2021).

Artikel CAS Google Scholar

Wang, F., Wang, C., Song, S., Xie, S. & Kang, F. Studie zur Erkennung und Visualisierung des Stärkegehalts von Kartoffeln basierend auf hyperspektraler Bildgebung. Lebensmittelwissenschaft. Nutr. 9(8), 4420–4430 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Referenzen herunterladen

Diese Studie wurde durch das Fondsprojekt des Central Government Guide Local Science and Technology Department (QKZYD[2022]4050), das Fondsprojekt des Guiyang Science and Technology Bureau (ZKHT[2021]43-15) und Special Funding of Guiyang unterstützt Büro für Wissenschaft und Technologie und Universität Guiyang (GYU-KY-[2023]).

Institut für Lebensmittel- und Pharmatechnik, Universität Guiyang, Guiyang, 550005, China

Shunan Feng, Jing Shang, Tao Tan, Qingchun Wen und Qinglong Meng

Forschungszentrum für zerstörungsfreie Prüfung landwirtschaftlicher Produkte der Provinz Guizhou, Guiyang, 550005, China

Jing Shang & Qinglong Meng

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

SF sammelte Daten und verfasste den Haupttext des Manuskripts. JS leitete die Experimente, überprüfte die Ergebnisse und genehmigte die endgültige Version. TT und QW untersuchten die Hintergründe und verarbeiteten die Datenverarbeitung. QM entwarf die Experimente und gab Anleitungen für das Verfassen des Manuskripts. Alle Autoren haben das Manuskript überarbeitet.

Korrespondenz mit Jing Shang.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Feng, S., Shang, J., Tan, T. et al. Zerstörungsfreie Qualitätsbewertung und Reifeklassifizierung von Wollmispeln basierend auf hyperspektraler Bildgebung. Sci Rep 13, 13189 (2023). https://doi.org/10.1038/s41598-023-40553-3

Zitat herunterladen

Eingegangen: 18. Juni 2023

Angenommen: 12. August 2023

Veröffentlicht: 14. August 2023

DOI: https://doi.org/10.1038/s41598-023-40553-3

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.